Apache Storm 核心概念

前言：

Storm读取实时数据流，并传递给处理单元，最终输出处理后的数据。 
下图描述了storm的处理数据的主要结构。

元组(Tuple) : 
     元组是Storm提供的一个轻量级的数据格式，可以用来包装你需要实际处理的数据。元组是一次消息传递的基本单元。一个元组是一个命名的值列表，其中的每个值都可以是任意类型的。元组是动态地进行类型转化的（字段的类型不需要事先声明）。在Storm中编程时，就是在操作和转换由元组组成的流。通常，元组包含整数，字节，字符串，浮点数，布尔值和字节数组等类型。要想在元组中使用自定义类型，就需要实现自己的序列化方式。

流（Stream） ：
      一个流由无限的元组序列组成，这些元组会被分布式并行地创建和处理。通过流中元组包含的字段名称来定义这个流。 
每个流声明时都被赋予了一个ID。只有一个流的Spout和Bolt非常常见，所以OutputFieldsDeclarer提供了不需要指定ID来声明一个流的函数(Spout和Bolt都需要声明输出的流)。这种情况下，流的ID是默认的“default”。

Spouts ：
     Spout(喷嘴)是Storm中流的来源。通常Spout从外部数据源，如消息队列中读取元组数据并吐到拓扑里。Spout可以是可靠的(reliable)或者不可靠(unreliable)的。可靠的Spout能够在一个元组被Storm处理失败时重新进行处理，而非可靠的Spout只是吐数据到拓扑里，不关心处理成功还是失败了。

  Spout可以一次给多个流吐数据。此时需要通过OutputFieldsDeclarer的declareStream函数来声明多个流并在调用SpoutOutputCollector提供的emit方法时指定元组吐给哪个流。

     Spout中最主要的函数是nextTuple，Storm框架会不断调用它去做元组的轮询。如果没有新的元组过来，就直接返回，否则把新元组吐到拓扑里。nextTuple必须是非阻塞的，因为Storm在同一个线程里执行Spout的函数。

     Spout中另外两个主要的函数是ack和fail。当Storm检测到一个从Spout吐出的元组在拓扑中成功处理完时调用ack,没有成功处理完时调用fail。只有可靠型的Spout会调用ack和fail函数。

Bolts ：
       storm是一种分布式实时计算系统，而storm topology中，所有的实时计算的业务逻辑都是定义在bolt中的。bolt中可以做任何计算逻辑，比如过滤、执行自定义的函数、聚合、join、访问数据库，等等。简而言之，bolt实际上就是我们实现或者继承了storm提供的接口或基类，自己开发的类。

接着看一个实例，如何通过Apache Storm来构建Twitter Analysis。结构如下图所示。

       通过Twitter Streaming API为Twitter Analysis提供输入数据。Spout通过Twitter Streaming API读取数据，并以tuple流的形式输出。随后tuple将转发给bolt,bolt将会对tuple进行处理。

Topology(拓扑):
    storm topology和mapreduce job是有些类似的。唯一关键的区别就在于，mapreduce job是肯定会结束运行的；但是storm topology是永远会运行的，除非你自己手动杀了它。

   使用storm开发的实时计算应用程序，所有的计算逻辑都在topology中。一个topology，其实就是逻辑上的计算流向图，由spout和bolt组成。一个topology可以包含一个或者多个spout和bolt。而spout和bolt，就是topology这个计算流向图种的一个一个的计算节点，其中包含了我们自己编写的计算代码。spout和bolt之间的关系和联系，其实就定义了实时计算的数据流向。可以想象成，数据从外部读入spout，然后传输到后面一个一个的bolt；而bolt之间的数据流向，可能是交叉层叠的，看起来整个topology就像一个DAG（有向无环图）一样。 简而言之，topology，就是逻辑上的实时计算拓扑图。

Tasks(任务)：
      Spout 和 bolt是topology中的最小逻辑单元。topology是通过一个spout和一组bolt构建。逻辑单元需要按特定的顺序来执行。Storm所执行的每个spout和bolt称为task。简而言之，spout或bolt的执行称为task。每个spout和bolt都可以有多个不同的实例运行在不同的线程中。(每一个task对应到一个线程)。

Workers：
    toplogy是在分布式环境下，多个worker节点上运行。storm将任务均匀分配在所有worker节点上。work节点的作用是监听任务(jobs),当有新任务来时，启动或停止任务的处理。每个worker是一个物理JVM并且执行整个topology的一部分。

Stream Grouping：
     流分组，是拓扑定义中的一部分，为每个bolt指定应该接收哪个流作为输入。流分组定义流/元组如何在bolt的任务之间进行分发。

感谢您阅读上海大数据培训文章，
更多推荐阅读：
【上海大数据培训】storm集群架构；
【上海大数据培训】storm如何分配任务和负载均衡